Oleh :
Anggun Safira Kismindasari
(18081010003)
LATAR BELAKANG
Mangga merupaka buah musiman memiliki banyak varietas dan bentuk yang hampir sama. Bentuk buah
manggapun sangat beragam dan tergantung jenisnya. Ada yang bulat, bulat telur, hingga lonjong memanjang.
Dari banyaknya jenis manga kadang kala membuat masyarakat keliru dalam menentukan jenis buah mangga.
Selain itu penjual di pasar tradisional kadang kala tidak mencantumkan nama buah mangga yang dijual.
Dari permasalahan tersebut maka diperlukan sebuah sistem klasifikasi mangga yang dapat membedakan
sesuai jenisnya. Salah satu hal yang membedakan antar buah mangga adalah pola bentuk buah mangga. Yang
mana pola bentuk itu dapat di gunakan sebagai parameter pengenal. Nantinya parameter pengenal yang didapat
dari hasil ekstrasi dapat digabungkan dengan teknik pengolahan citra digital sehingga membentuk sebuah sistem
yang dapat mengklasifikasi jenis mangga. Dan proses klasifikasi mangga menggunakan algoritma K-Nearest
Neighbor. Sedangkan untuk pengambilan citra dilakukan menggunakan kamera ponsel.
MASALAH
Klasifikasi buah mangga berdasarkan bentuk yang digunakan sebagai ekstrasi
parameter pengenal dengan pengambilan citra menggunakan kamera ponsel.
TUJUAN
Tujuan dari penelitian ini tercapainya suatu solusi yakni sebuah sistem yang
dapat membantu masyarakat membedakan jenis-jenis buah mangga dan dapat
mengetahui jenis buah mangga apa yang akan dibeli melalui jepretan kamera ponsel
PENELITIAN YANG BERTERKAIT
Jurnal utama :
Langkah pertama adalah pengambilan foto melalui kamera ponsel ataupun dari memori yang
terdapat di dalam ponsel. Selanjutnya citra akan mengalami praproses meliputi tahap grayscale
dan binerisasi. Tahapan ketiga dalam sistem adalah ekstraksi fitur. Nilai hasil ekstraksi akan
disimpan di dalam database untuk selanjutnya dilakukan proses klasifikasi.
FLOWCHART PELATIHAN DATA
Hal pertama yang dilakukan adalah proses pelatihan data adalah input citra.
Selanjutnya citra akan mengalami proses resize menjadi 300 x 400 pixel. Lalu citra
akan mengalami proses brightness secara otomatis apabila keempat sudut dari citra
tersebut memiliki nilai kurang dari 255 (warna putih). Proses selanjutnya adalah
grayscale. Citra yang keabuan hasi grayscale akan mengalami proses binerisasi.
Melalui proses binerisasi, didapatkan nilai hasil ekstraksi berupa luas, panjang
sumbu x, dan panjang sumbu y dalam satuan piksel. Selanjutnya adalah proses
deteksi tepi untuk mendapatkan nilai keliling objek dalam satuan piksel. Data-data
hasil ekstraksi tersebut disimpan di dalam basis data sebagai data latih.
FLOWCHART PENGUJIAN DATA
Hal pertama yang dilakukan adalah tahap input citra. Lalu citra akan
mengalami proses resize menjadi 300 x 400 pixel. Selanjutnya citra akan
mengalami proses brightness secara otomatis. Proses selanjutnya adalah
grayscale. Citra yang keabuan hasi grayscale akan mengalami proses
binerisasi. Melalui proses binerisasi, didapatkan nilai hasil ekstraksi berupa
luas, panjang sumbu x, dan panjang sumbu y. Selanjutnya adalah proses
deteksi tepi untuk mendapatkan nilai keliling objek. Data hasil ekstraksi
citra uji akan dibandingkan dengan data citra latih yang terdapat di dalam
basis data saat proses klasifikasi. Hasil pengujian aplikasi akan
mengeluarkan informasi dari citra yang diuji, apakah citra tersebut
merupakan jenis mangga atau bukan.
FLOWCHART
KLASIFIKASI
Hal pertama yang dilakukan adalah input citra untuk pengujian. Ketika
citra uji telah dimasukkan, maka sistem akan langsung melakukan
klasifikasi terhadap citra uji. Selanjutnya, sistem akan menentukan besar
nilai K yang digunakan, yaitu 5. Setelah itu, sistem akan mulai melakukan
proses perhitungan jarak dengan rumus Euclidean. Selanjutnya sistem
akan melakukan proses pengurutan hasil perhitungan jarak berdasarkan
jarak terkecil hingga jarak terbesar. Setelah itu, dilakukan perbandingan
jarak terkecil dengan Threshold yang telah ditentukan. Jika nilai jarak
terkecil lebih besar dari nilai Threshold maka citra uji dianggap tidak
dikenali. Namun jika nilai jarak terkecil lebih kecil dari nilai Threshold,
maka sistem akan melakukan proses pengambilan label terbanyak dalam
rentang nilai K. Langkah terakhir adalah klasifikasi citra sebagai salah
satu jenis mangga berdasarkan label yang sesuai.
KELUARAN SISTEM
Keluaran sistem atau output pada penelitian ini berupa gambar/citra yang sudah diproses dengan
tingkat keberhasilan.
KELUARAN SISTEM
Keluaran sistem atau output pada penelitian ini berupa gambar/citra yang sudah diproses dengan
tingkat keberhasilan.
HASIL UJI COBA & ANALISIS
Dari hasil uji sebelumnya mendapati jika 88% pengujian dari 25 data berhasil di
klasifikasikan menggunakan sistem yang telah dirancang dan diterapkan. Namun ada
kelemahan pada sistem ini yang membuat keberhasilan tidak 100%, untuk deteksi tepi
nantinya bisa ganti dengan prewitt, sobel, dan canny agar dapat dibandingkan lagi
hasilnya. Sedangkan untuk ekstraksi ciri dapat ditambahkan nilai mean dan standart
devisi objek sebagai bahan perbandingan lanjut.
KESIMPULAN
Hasil klasifikasi jenis mangga didapatkan dari menghitung jarak antara data uji
dengan data latih menggunakan metode KNN. Data-data yang dihitung panjang sumbu
x, panjang sumbu y, luas, dan keliling. Yang mana data itu didapat dari tahap binerisasi
dan deteksi tepi. Pada tahap binerisasi, parameter citra yang didapat adalah panjang
sumbu x objek, panjang sumbu y objek, dan luas objek. Sedangkan pada tahap deteksi
tepi, parameter yang didapat adalah nilai keliling objek. Untuk keberhasilan dari
pengujian 25 data buah mangga yakni 88%.